論文の概要: Local Binary and Multiclass SVMs Trained on a Quantum Annealer

• arxiv url: http://arxiv.org/abs/2403.08584v1
• Date: Wed, 13 Mar 2024 14:37:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-14 14:11:13.251605
• Title: Local Binary and Multiclass SVMs Trained on a Quantum Annealer
• Title（参考訳）: 量子アニールを用いたローカルバイナリとマルチクラスSVM
• Authors: Enrico Zardini, Amer Delilbasic, Enrico Blanzieri, Gabriele Cavallaro, Davide Pastorello
• Abstract要約: 近年,動作量子アンニールの出現に伴い,量子トレーニングと古典的実行を特徴とするハイブリッドSVMモデルが導入されている。 これらのモデルは、古典的なモデルに匹敵する性能を示した。 しかし、現在の量子アニールの接続が制限されているため、トレーニングセットサイズに制限がある。
• 参考スコア（独自算出の注目度）: 0.8399688944263844
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Support vector machines (SVMs) are widely used machine learning models (e.g., in remote sensing), with formulations for both classification and regression tasks. In the last years, with the advent of working quantum annealers, hybrid SVM models characterised by quantum training and classical execution have been introduced. These models have demonstrated comparable performance to their classical counterparts. However, they are limited in the training set size due to the restricted connectivity of the current quantum annealers. Hence, to take advantage of large datasets (like those related to Earth observation), a strategy is required. In the classical domain, local SVMs, namely, SVMs trained on the data samples selected by a k-nearest neighbors model, have already proven successful. Here, the local application of quantum-trained SVM models is proposed and empirically assessed. In particular, this approach allows overcoming the constraints on the training set size of the quantum-trained models while enhancing their performance. In practice, the FaLK-SVM method, designed for efficient local SVMs, has been combined with quantum-trained SVM models for binary and multiclass classification. In addition, for comparison, FaLK-SVM has been interfaced for the first time with a classical single-step multiclass SVM model (CS SVM). Concerning the empirical evaluation, D-Wave's quantum annealers and real-world datasets taken from the remote sensing domain have been employed. The results have shown the effectiveness and scalability of the proposed approach, but also its practical applicability in a real-world large-scale scenario.
• Abstract（参考訳）: サポートベクターマシン(SVM)は、機械学習モデル(例えばリモートセンシング)で広く使われており、分類タスクと回帰タスクの両方に定式化されている。 近年,動作量子アンニールの出現に伴い,量子トレーニングと古典的実行を特徴とするハイブリッドSVMモデルが導入されている。 これらのモデルは、古典的なモデルに匹敵する性能を示した。 しかし、現在の量子アニールの接続が制限されているため、トレーニングセットサイズに制限がある。 したがって、大きなデータセット(地球観測に関連するものなど)を利用するには、戦略が必要である。 古典的なドメインでは、局所的なSVM、すなわちk-nearestの隣人モデルによって選択されたデータサンプルに基づいて訓練されたSVMがすでに成功している。 ここでは、量子学習SVMモデルの局所的な応用を提案し、実証的に評価する。 特に、このアプローチは、量子訓練されたモデルのトレーニングセットサイズの制約を克服し、性能を向上する。 実際には、効率の良いローカルSVM用に設計されたFaLK-SVM法と、バイナリおよびマルチクラス分類のための量子訓練されたSVMモデルが組み合わされている。 さらに、比較のために、FaLK-SVMは古典的なシングルステップのマルチクラスSVMモデル(CS SVM)で初めてインターフェースされている。 経験的評価に関しては、D-Waveの量子アニールとリモートセンシング領域から取得した実世界のデータセットが採用されている。 その結果,提案手法の有効性と拡張性に加えて,実世界の大規模シナリオにおける実用性も示された。

関連論文リスト

• Recursive Learning of Asymptotic Variational Objectives [49.69399307452126]
  一般状態空間モデル(英: General State-space Model, SSM)は、統計機械学習において広く用いられ、時系列データに対して最も古典的な生成モデルの一つである。 オンラインシーケンシャルIWAE(OSIWAE)は、潜在状態の推測のためのモデルパラメータとマルコフ認識モデルの両方のオンライン学習を可能にする。 このアプローチは、最近提案されたオンライン変分SMC法よりも理論的によく確立されている。
  論文  参考訳（メタデータ） (2024-11-04T16:12:37Z)
• Transferable Post-training via Inverse Value Learning [83.75002867411263]
  別個のニューラルネットワーク(すなわち値ネットワーク)を用いた後学習におけるロジットレベルのモデリング変更を提案する。 このネットワークをデモを使って小さなベースモデルでトレーニングした後、推論中に他のトレーニング済みモデルとシームレスに統合することができる。 得られた値ネットワークは、パラメータサイズの異なる事前学習されたモデル間で広い転送性を有することを示す。
  論文  参考訳（メタデータ） (2024-10-28T13:48:43Z)
• Efficient Training of One Class Classification-SVMs [0.0]
  そこで本研究では,一級分類の実施に高効率なトレーニング手法を用いることを検討した。 本稿では,デュアルソフトマージンワンクラスSVM学習のための効果的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-28T15:35:16Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• A Single-Step Multiclass SVM based on Quantum Annealing for Remote Sensing Data Classification [26.80167258721593]
  本研究は,QMSVM(Quantum Multiclass SVM)と呼ばれる,量子アニールに基づく直接多クラス分類のための新しい量子SVMを提案する。 この研究の主な目的は、このアプローチの実現可能性、正確性、および時間性能を評価することである。 リモートセンシングデータの分類問題に対するD-Wave Advantage 量子アニールを用いた実験が実施されている。
  論文  参考訳（メタデータ） (2023-03-21T09:51:19Z)
• SWARM Parallelism: Training Large Models Can Be Surprisingly Communication-Efficient [69.61083127540776]
  ディープラーニングアプリケーションは、数十億のパラメータを持つ大きなモデルを使用することの恩恵を受ける。 これらのモデルのトレーニングは、特殊なHPCクラスタを必要とするため、非常に高価である。 安価な"プリエンプティブル"インスタンスを使用するか、あるいは複数のリージョンから既存のリソースをプールする。
  論文  参考訳（メタデータ） (2023-01-27T18:55:19Z)
• Binary classifiers for noisy datasets: a comparative study of existing quantum machine learning frameworks and some new approaches [0.0]
  バイナリ分類を改善するためにQuantum Machine Learningフレームワークを適用した。 ノイズの多いデータセットは 財務的なデータセットの中にあります 新しいモデルでは、データセットの非対称ノイズに対する学習特性が向上する。
  論文  参考訳（メタデータ） (2021-11-05T10:29:05Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Practical application improvement to Quantum SVM: theory to practice [0.9449650062296824]
  量子特徴写像を用いて、データを量子状態に変換し、これらの量子状態からSVMカーネルを構築する。 実験では,データセットの複雑さに関わらず,QSVMがSVMに対して等しく動作することを示す。
  論文  参考訳（メタデータ） (2020-12-14T17:19:17Z)
• A quantum extension of SVM-perf for training nonlinear SVMs in almost linear time [0.2855485723554975]
  特徴空間学習のための非線形サポートベクトルマシン(SVM)を訓練するための量子アルゴリズムを提案する。 Joachimsの古典的なSVM-perfアルゴリズムに基づいて、我々のアルゴリズムはトレーニング例の数で線形にスケールするランニングタイムを持つ。
  論文  参考訳（メタデータ） (2020-06-18T06:25:45Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。